speech-2.6-hd
Speech 2.6 HD on laadukkaan puhesynteesin malli, joka painottaa luonnollisuutta ja äänen samankaltaisuutta.
Tietoa mallista
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Luonnollinen ääni vuorovaikutukseen
Speech 2.6 HD on tarkoitettu luonnolliseen puhesynteesiin ja tilanteisiin, joissa vastauksen nopea alkaminen on tärkeää. Valmistaja huomioi intonaation, puheen sujuvuuden ja tekstin käsittelyn ennen puhumista. HD-versio painottaa äänen laatua; tämän kortin syöte on tekstiä ja tuloste puheääntä.
Poikkeavien merkintöjen lukeminen
Speech 2.6 -sukupolvi osaa käsitellä työviesteissä yleisiä merkintöjä: sivuosoitteita, sähköpostiosoitteita, puhelinnumeroita, päivämääriä ja rahasummia. Malli muuntaa ne lausuttavaan muotoon, jotta repliikki pysyy kuultuna ymmärrettävänä. Valmistaja kuvaa näitä tehtäviä useilla kielillä.
Sujuva puhe äänenväri säilyttäen
Speech 2.6:ssa on sujuvuutta parantava Fluent LoRA -tila. Se on tarkoitettu synteesiin valmistellulla äänellä: se auttaa säilyttämään äänenvärin ja tuottamaan yhtenäisempää puhetta silloinkin, kun lähtönäyte oli epätasainen tai sisälsi aksentin. Kloonatun äänen valmistelu ja sen käyttö ääneenluvussa ovat eri toimintoja.
Tuettuja kieliä on 40, venäjä mukaan lukien. Seitsemän perustunnetilan lisäksi Speech 2.6:ssa on sujuvan puheen fluent- ja kuiskauksen whisper-vaihtoehdot. Jos tunnetta ei määritetä, malli valitsee sen tekstin merkityksen perusteella.
Puheen asetukset
MiniMax mahdollistaa äänen valinnan sekä tempon, voimakkuuden ja korkeuden ohjauksen. Nopeus määritetään välillä 0,5–2, voimakkuus yli 0:sta enintään 10:een ja korkeuden muutos välillä −12–12. Tunne voidaan jättää mallin valittavaksi tekstin merkityksen perusteella tai määrittää käsin: ilo, suru, viha, pelko, inho, hämmästys tai rauhallisuus.
Ääntämistä voidaan täsmentää korvaussanastolla ja foneettisilla merkinnöillä; tarjolla ovat kansainvälinen foneettinen aakkosto, kiinan pinyin ja japanin lukutavat. Tauot määritetään puhuttujen jaksojen väliin kestolla 0,01–99,99 sekuntia. Tauon kesto annetaan kahden desimaalin tarkkuudella; merkit sijoitetaan puhuttujen jaksojen väliin eikä peräkkäin. Näillä asetuksilla nimien, lyhenteiden ja monitulkintaisten sanojen ääntäminen voidaan sovittaa ääneenluvun tavoitteeseen.
Tekstin ja äänen pituus
Synteesi vastaanottaa alle 10 000 merkin tekstiä. Yli 3000 merkin pitkälle tekstille valmistaja suosittelee suoratoistotulostusta; valmis ääni voidaan saada myös kokonaan. Synteesin yleisiin asetuksiin kuuluvat MP3, PCM, FLAC, WAV, Opus ja G.711 μ-law -vaihtoehdot sekä mono- tai stereoääni; yksittäisen pyynnön käytettävissä oleva formaattivalikoima määräytyy Ailootin välineiden mukaan.
MiniMaxin mukaan sukupolvi painottaa pientä viivettä puheskenaarioissa. Tämä on mallin kuvaus; yksittäisen vastauksen aika ja laajennettujen asetusten saatavuus riippuvat Ailootin valitusta kutsutavasta.
Äänen lisäasetuksiin kuuluvat näytteenottotaajuudet 8, 16, 22,05, 24, 32 ja 44,1 kHz. MP3:n bittinopeudeksi on tarjolla 32, 64, 128 tai 256 kbit/s. Myös äänenväriä voidaan muuttaa ja yhtä tehostetta käyttää: avara kaiku, salikaiku, puhelinääni tai robottiääni. Äänenmuokkaustehosteita tuetaan MP3-, WAV- ja FLAC-muodoissa koko ääntä palautettaessa, mutta suoratoistossa vain MP3-muodossa. G.711 μ-law -formaatit käyttävät 8 kHz:n taajuutta. Nämä kyvyt koskevat MiniMaxin synteesiasetuksia.
Valmistaja mahdollistaa puheen ja tekstin synkronoinnin: lauseiden, sanojen tai asteittain palautettavien sanojen aikaleimat. Tulos auttaa sovittamaan puheen yhteen tekstin näyttämisen kanssa. Tämä lisäominaisuus edellyttää kyseisen vastausformaatin tukea.
Ailoot · Puhesynteesi POST /v1/audio/speech speech-2.6-hd
speech-2.6-hdAloitus
Speech 2.6 HD on laadukkaan puhesynteesin malli, joka painottaa luonnollisuutta ja äänen samankaltaisuutta.
- Hyväksytyt syötteet
- Teksti
- Tulokset
- speech
Saatavilla Ailootissa · syötteet & menetelmät
Ailoot · Puhesynteesi POST /v1/audio/speech
- Syötetyypit
text- Tulostyypit
speech- Tulosteen muoto
- mp3
| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat speech-2.6-hd | Oletus— |
Kenttäinput | Tyyppistring | VaatimusPakollinen | Arvot & rajat Vähimmäispituus: 1 Enimmäispituus (raja-arvo pois lukien): 10 000 Yksikkö: Unicode-merkit | Oletus— |
Kenttävoice | Tyyppistring | VaatimusPakollinen | Arvot & rajat Merkkijonomalli: ^[A-Za-z0-9_-]{1,128}$ | Oletus— |
Kenttäresponse_format | Tyyppistring | VaatimusValinnainen | Arvot & rajat mp3 | Oletus— |
Syöteaineistojen yhdistelmät
text_to_speech · Pakollinen: input
Menetelmän parametrit ja elinkaari
| Parametri | Sopimus |
|---|---|
Parametrimaterial_types | Sopimustext |
Parametrirequired | Sopimusnull |
Parametrioptional_controls | Sopimusnull |
Elinkaari: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.
Hinnoittelu
Ailoot-menetelmien hinnat
POST /v1/audio/speech- Syöte
- 100,00 $ 1 miljoonaa merkkiä kohden
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
Esimerkkipyynnöt
Ailoot · Puhesynteesi
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-2.6-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Vastaanota ja tallenna tulokset
Ailoot · Puhesynteesi
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Säilytä kaikki valmistuneet tulokset
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä koko binääritulos ja otsakkeet. Jos palautetaan JSON tai useita tulosteita, säilytä jokainen data-alkio ja nouda jokainen resurssi sen todellisesta allekirjoitetusta URL-osoitteesta.
Jos alkuperäinen vastaus on tarkistettava
Säilytä alkuperäinen operation_id/X-Client-Request-ID täsmäytystä varten lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyreittiä ei ole.
Vastauksen kentät
| Kenttä | Tyyppi |
|---|---|
Kenttäbinary audio | Tyyppibytes |
Kenttäresponse headers | Tyyppiheaders |
Virheet ja seuraavat vaiheet
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Vastausserver_error | EhtoPalautettu vastaus ilmoittaa, että operaatio tai tulos edellyttää tarkistusta | Seuraava vaiheSäilytä alkuperäinen palautettu operaation tai tehtävän ID, pyynnön otsakkeet ja vastaus; jatka kyseisen alkuperäisen operaation tuettuja lukutoimintoja. Älä lähetä luontipyyntöä uudelleen. |
Aliakset
Mallin aliakset
Ailoot speech-2.6-hd
Menetelmäpolkujen aliakset
Käytä yllä näytettyjä menetelmäpolkuja.
Liittyvät kutsujan ID:t
FAQ · speech-2.6-hd
- Mitä syötteitä ja tuloksia on saatavilla?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Mitä kenttiä pyyntö käyttää?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format